질문 #51 주제 1

제조 회사는 많은 레이블이 지정된 과거 판매 데이터 세트를 가지고 있습니다. 제조업체는 매 분기마다 특정 부품의 생산량을 예측하고자 합니다.

이 문제를 해결하기 위해 어떤 기계 학습 접근 방식을 사용해야 합니까?

• A. 로지스틱 회귀
• B. Random Cut Forest (RCF)
• C. 주성분 분석 (PCA)
• D. 선형 회귀

질문 #52주제 1

금융 서비스 회사는 강력한 서버리스 데이터 레이크를 Amazon S3에 구축하고 있습니다. 데이터 레이크는 유연하며 다음 요구 사항을 충족해야 합니다:

✑ Amazon Athena와 Amazon Redshift Spectrum를 통해 Amazon S3의 이전 및 최신 데이터에 대한 쿼리 지원

✑ 이벤트 기반 ETL 파이프라인 지원

✑ 메타데이터를 이해하기 쉽고 빠르게 제공

어떤 접근 방식이 이러한 요구 사항을 충족합니까?

• A. AWS Glue 크롤러를 사용하여 S3 데이터를 크롤링하고, AWS Lambda 함수를 사용하여 AWS Glue ETL 작업을 트리거하고, AWS Glue 데이터 카탈로그를 사용하여 메타데이터를 검색 및 발견합니다.
• B. AWS Glue 크롤러를 사용하여 S3 데이터를 크롤링하고, AWS Lambda 함수를 사용하여 AWS Batch 작업을 트리거하고, 외부 Apache Hive 메타스토어를 사용하여 메타데이터를 검색 및 발견합니다.
• C. AWS Glue 크롤러를 사용하여 S3 데이터를 크롤링하고, Amazon CloudWatch 알람을 사용하여 AWS Batch 작업을 트리거하고, AWS Glue 데이터 카탈로그를 사용하여 메타데이터를 검색 및 발견합니다.
• D. AWS Glue 크롤러를 사용하여 S3 데이터를 크롤링하고, Amazon CloudWatch 알람을 사용하여 AWS Glue ETL 작업을 트리거하고, 외부 Apache Hive 메타스토어를 사용하여 메타데이터를 검색 및 발견합니다.

질문 #53주제 1